Weka 中 SMO、NaiveBayes 和 BayesNet 分类器的不同结果

Posted 2023-03-13

【中文标题】Weka 中 SMO、NaiveBayes 和 BayesNet 分类器的不同结果

【英文标题】：different results by SMO, NaiveBayes, and BayesNet classifiers in weka

【发布时间】：2014-03-28 03:01:20

【问题描述】：

我正在我的数据集上尝试不同的 Weka 分类器。我有一个小数据集，我将我的数据分为五类。 我的问题是，当我通过不同的分类器应用交叉验证或百分比拆分分类时，我得到的结果非常不同。

例如，当我使用 NaiveBayse 或 BayseNet 分类器时，所有类的 F-score 大约为 40，但使用 SMO 我得到的 F-score 为 20。得到的结果更差当我使用 LibLinear 分类器时，我的 F 分数约为 15。

也许我应该提一下，由于LibLinear 分类器不接受名义值，我为每个可能的名义值分配了一个代码，并将它们用作我的数据集中的Numeric 值。

谁能告诉我为什么我会得到如此不同的结果？我希望所有分类器都有大致相似的结果。

此外，当我在我的测试集上使用LibLinear 时，我将所有数据归为一类，而其他四类中没有实例。

提前致谢，

【参考方案1】：

您为什么会期待类似的结果？特别是对于小数据集，我认为不同的方法很容易导致不同的预测。线性模型也具有容差阈值，这将导致收敛前提前终止。例如，您可以在 LibLINEAR 或 SMO 中使用它。